論文の概要: Cardea: An Open Automated Machine Learning Framework for Electronic Health Records

• arxiv url: http://arxiv.org/abs/2010.00509v1
• Date: Thu, 1 Oct 2020 15:58:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-12 07:25:17.651817
• Title: Cardea: An Open Automated Machine Learning Framework for Electronic Health Records
• Title（参考訳）: Cardea: 電子健康記録のためのオープンな機械学習フレームワーク
• Authors: Sarah Alnegheimish, Najat Alrashed, Faisal Aleissa, Shahad Althobaiti, Dongyu Liu, Mansour Alsaleh and Kalyan Veeramachaneni
• Abstract要約: Cardeaはオープンソースの自動機械学習フレームワークだ。 ユーザーは自分のデータを使って予測モデルを構築することができる。 我々はMIMIC-IIIおよびKaggleデータセット上の5つの予測タスクを通して、我々のフレームワークを実証する。
• 参考スコア（独自算出の注目度）: 11.170152156043336
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: An estimated 180 papers focusing on deep learning and EHR were published between 2010 and 2018. Despite the common workflow structure appearing in these publications, no trusted and verified software framework exists, forcing researchers to arduously repeat previous work. In this paper, we propose Cardea, an extensible open-source automated machine learning framework encapsulating common prediction problems in the health domain and allows users to build predictive models with their own data. This system relies on two components: Fast Healthcare Interoperability Resources (FHIR) -- a standardized data structure for electronic health systems -- and several AUTOML frameworks for automated feature engineering, model selection, and tuning. We augment these components with an adaptive data assembler and comprehensive data- and model- auditing capabilities. We demonstrate our framework via 5 prediction tasks on MIMIC-III and Kaggle datasets, which highlight Cardea's human competitiveness, flexibility in problem definition, extensive feature generation capability, adaptable automatic data assembler, and its usability.
• Abstract（参考訳）: ディープラーニングとEHRに焦点を当てた180の論文が2010年から2018年にかけて出版された。 これらの出版物に共通するワークフロー構造にもかかわらず、信頼され検証されたソフトウェアフレームワークは存在しない。 本稿では、健康領域における一般的な予測問題をカプセル化した拡張可能なオープンソース自動機械学習フレームワークであるCardeaを提案し、ユーザが独自のデータで予測モデルを構築することを可能にする。 このシステムは、電子健康システムのための標準化されたデータ構造であるFHIR(Fast Healthcare Interoperability Resources)と、自動機能エンジニアリング、モデル選択、チューニングのためのAUTOMLフレームワークの2つのコンポーネントに依存している。 我々は、これらのコンポーネントを適応型データアセンブラと包括的なデータおよびモデル監査機能で強化する。 我々は,MIMIC-IIIとKaggleデータセット上の5つの予測タスクを通じて,Cardeaの人間競争性,問題定義の柔軟性,機能生成機能の拡張,適応可能な自動データアセンブラ,そのユーザビリティを強調した。

関連論文リスト

• AIDE: An Automatic Data Engine for Object Detection in Autonomous Driving [68.73885845181242]
  本稿では,問題を自動的に識別し,データを効率よくキュレートし,自動ラベル付けによりモデルを改善する自動データエンジン(AIDE)を提案する。 さらに,AVデータセットのオープンワールド検出のためのベンチマークを構築し,様々な学習パラダイムを包括的に評価し,提案手法の優れた性能を低コストで実証する。
  論文  参考訳（メタデータ） (2024-03-26T04:27:56Z)
• Quantitative Assurance and Synthesis of Controllers from Activity Diagrams [4.419843514606336]
  確率的モデル検査は、定性的および定量的な性質を自動検証するために広く用いられている形式的検証手法である。 これにより、必要な知識を持っていない研究者やエンジニアにはアクセスできない。 本稿では,確率時間の新しいプロファイル,品質アノテーション,3つのマルコフモデルにおけるADの意味論的解釈,アクティビティ図からPRISM言語への変換ルールのセットなど,ADの総合的な検証フレームワークを提案する。 最も重要なことは、モデルをベースとした手法を用いて、完全自動検証のための変換アルゴリズムを開発し、QASCADと呼ばれるツールで実装したことです。
  論文  参考訳（メタデータ） (2024-02-29T22:40:39Z)
• TSGM: A Flexible Framework for Generative Modeling of Synthetic Time Series [61.436361263605114]
  時系列データは、研究者と産業組織間のデータの共有を妨げるため、しばしば不足または非常に敏感である。 本稿では,合成時系列の生成モデリングのためのオープンソースフレームワークである時系列生成モデリング(TSGM)を紹介する。
  論文  参考訳（メタデータ） (2023-05-19T10:11:21Z)
• ORKG-Leaderboards: A Systematic Workflow for Mining Leaderboards as a Knowledge Graph [0.0]
  Orkg-Leaderboardは人工知能(AI)における実証研究論文の集合からリーダーボードを抽出するように設計されている このシステムはOpen Research Knowledge Graph (ORKG)プラットフォームと統合されており、機械操作可能な発見の公開を促進する。 我々の最良のモデルは、テキストリーダーボード抽出タスクで90%以上のF1を実行するので、Orkg-Leaderboardは現実世界での使用に実用的なツールであることが証明される。
  論文  参考訳（メタデータ） (2023-05-10T13:19:18Z)
• SOLIS -- The MLOps journey from data acquisition to actionable insights [62.997667081978825]
  本稿では,基本的なクロスプラットフォームテンソルフレームワークとスクリプト言語エンジンを使用しながら,すべての要件をサポートする統合デプロイメントパイプラインとフリー・ツー・オペレートアプローチを提案する。 しかし、このアプローチは、実際のプロダクショングレードシステムに機械学習機能を実際にデプロイするために必要な手順やパイプラインを提供していない。
  論文  参考訳（メタデータ） (2021-12-22T14:45:37Z)
• Merging Subject Matter Expertise and Deep Convolutional Neural Network for State-Based Online Machine-Part Interaction Classification [5.216662889312795]
  機械部品のインタラクション分類は、スマートマニュファクチャリング(SM)の重要イネーブルであるCyber-Physical Systems(CPS)が必要とする重要な機能である 本研究では,Deep Convolutional Neural Network (CNN) ベースのフレームワークを用いて,機械部品間相互作用の点検出と時系列分類を行う。
  論文  参考訳（メタデータ） (2021-12-08T20:23:13Z)
• AEFE: Automatic Embedded Feature Engineering for Categorical Features [4.310748698480341]
  本稿では,カスタムパラダイム機能構築や複数機能選択など,さまざまなコンポーネントから構成されるカテゴリ機能を表現するための自動機能エンジニアリングフレームワークを提案する。 いくつかの典型的なeコマースデータセットで実施された実験は、我々の手法が古典的な機械学習モデルや最先端のディープラーニングモデルよりも優れていることを示している。
  論文  参考訳（メタデータ） (2021-10-19T07:22:59Z)
• CateCom: a practical data-centric approach to categorization of computational models [77.34726150561087]
  本稿では,物理モデルとデータ駆動型計算モデルのランドスケープを整理する取り組みについて述べる。 オブジェクト指向設計の概念を適用し、オープンソース協調フレームワークの基礎を概説する。
  論文  参考訳（メタデータ） (2021-09-28T02:59:40Z)
• Families In Wild Multimedia: A Multimodal Database for Recognizing Kinship [63.27052967981546]
  マルチタスク MM キンシップデータセットを初めて公開する。 FIW MMを構築するために,データを自動収集,注釈付け,作成する機構を開発した。 結果は、改善の異なる領域で将来の研究を刺激するエッジケースを強調します。
  論文  参考訳（メタデータ） (2020-07-28T22:36:57Z)
• Towards Automated Neural Interaction Discovery for Click-Through Rate Prediction [64.03526633651218]
  CTR(Click-Through Rate)予測は、レコメンダシステムにおいて最も重要な機械学習タスクの1つである。 本稿では,AutoCTR と呼ばれる CTR 予測のための自動インタラクションアーキテクチャ探索フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-29T04:33:01Z)
• A Unified Architecture for Data-Driven Metadata Tagging of Building Automation Systems [0.0]
  本稿では,建物自動化システムデータのポイントタグ付けを自動化するための統一アーキテクチャについて述べる。 本稿では,BASへの接続を通じてアクセス可能なデータを活用することで,ポイントタグ付けのプロセスを自動化するUAを提案する。 提案手法は,それぞれのテストシナリオにおいて,85～90%,70～75パーセントのタグを正しく適用した。
  論文  参考訳（メタデータ） (2020-02-27T00:35:01Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。